智能体不会忘记事实。它们忘记的是决策。这是两个不同的问题

大多数记忆实现存储的是智能体知道的内容。这有用，但单元不对。事实会变化，决策会叠加。决策不仅仅是信息，它是：基于这些数据，某人（或某物）选择了这个方向。它有作者、依据和后果。一旦做出，它应该影响后续的一切。真正有效的模式是：在智能体行动前，先检查：这个领域已有哪些决策？如果其他智能体已经解决了这个问题，就没有必要重复推理。如果没有决策覆盖，智能体就提出一个，保存等待批准，然后等待。一旦批准，该决策进入参考层。此后该上下文中的每个未来智能体都以此为基础启动。具体版本：智能体想重构一个模块。查询：是否有人决定过这个模块的行为？是的，三个会话前：这个模块必须保持无状态。智能体在其范围内工作。无冲突，无漂移。或者：智能体即将决定错误处理策略。该领域没有记录。提出建议，链接到它推理所依据的数据，提交审批。人工审核。批准。下一个智能体无需重新考虑。这赋予了智能体创作自由而不引发混乱。它们不会质疑已确定的领域，而是以此为基础进行建设。但仅有决策不够。基于过时数据的决策仍然是过时的决策。这就是大多数多智能体设置失败的地方：它们管理上下文，而非流程。管理流程意味着：状态在验证之前不会推进。智能体之间设有评审门控。只有在前一个输出被确认为最新且已批准时，下一个阶段才会触发。一个检查点就能在错误级联开始前阻止它，因为智能体B永远不会对智能体A在过时现实下产生的结果进行操作。管理流程，而不仅仅是上下文。决策保持诚实，漂移停止。而且由于每个决策都链接到其依据，你可以追踪完整的血统：谁决定的，他们看到了什么，何时做的。Git blame 用于判断调用。你可以更进一步：定期安排一个智能体遍历决策树。对于每个决策：其依据的数据是否仍然最新？是否有任何变化会使这个决策失效？标记已漂移的内容。在下一次智能体遇到它之前，将其提交审查。这是你决策层的持续集成。